用python写决策层融合算法

在Python中编写决策层融合算法，通常是针对机器学习或深度学习模型，为了结合多个模型的预测结果，提高整体性能。这里以一种常见的投票法（hard voting）为例，假设我们有两个分类模型model1和model2：

# 首先，假设我们需要导入所需的库
import numpy as np

# 假设model1和model2分别返回概率分布（对于多分类任务）
def get_predictions(model, X):
    probabilities = model.predict_proba(X)
    return probabilities.argmax(axis=1)

# 函数来实现决策层融合
def decision_layer_fusion(model1, model2, X_test):
    # 获取两个模型的预测结果
    pred1 = get_predictions(model1, X_test)
    pred2 = get_predictions(model2, X_test)
    
    # 计算每种类别出现的次数
    votes = np.vstack((pred1, pred2)).T
    vote_counts = np.apply_along_axis(lambda x: np.bincount(x), axis=1, arr=votes)

    # 返回出现次数最多的类别作为最终预测
    majority_vote = vote_counts.argmax()
    return majority_vote

# 测试决策层融合
ensemble_prediction = decision_layer_fusion(model1, model2, X_test)

在这个例子中，`get_predictions`函数获取模型的预测结果，然后`decision_layer_fusion`函数计算每个样本上两个模型的多数投票，得到最终预测。注意这仅适用于二元分类或多元分类问题。对于回归问题，可能会采用类似均值融合的方式。